ForecastingModels type

定义 ForecastingModel 的值。
KnownForecastingModels 可与 ForecastingModels 互换使用，此枚举包含服务支持的已知值。

服务支持的已知值

AutoArima：自动回归集成移动平均值（ARIMA）模型使用时序数据和统计分析来解释数据并做出未来的预测。 此模型旨在通过对其过去的值使用时序数据来解释数据，并使用线性回归进行预测。
先知：先知是基于累加模型预测时序数据的过程，其中非线性趋势适合每年、每周和每日季节性，以及假日效果。 它最适合具有强烈的季节性影响和几个季节的历史数据的时序。 先知对缺少数据并改变趋势非常可靠，通常处理离群值。
Naive：Naive 预测模型通过针对训练数据中每个时序的最新目标值进行预测。
SeasonalNaive：季节性 Naive 预测模型通过针对训练数据中每个时序的最新目标值季节进行预测。
平均：平均预测模型通过转发训练数据中每个时序的目标值的平均值来进行预测。
SeasonalAverage：季节性平均预测模型通过转发训练数据中每个时序的最新季度数据的平均值来进行预测。
ExponentialSmoothing：指数平滑是一种时序预测方法，可用于扩展单变量数据，以支持具有系统趋势或季节性成分的数据。
Arimax：可以使用解释变量（ARIMAX）模型的自动回归集成移动平均值（ARIMAX）视为具有一个或多个自动回归（AR）术语和/或一个或多个移动平均值（MA）的多个回归模型。 此方法适用于在数据是固定/非固定数据时进行预测，并且与任何类型的数据模式（即级别/趋势/季节性/周期性）多变量一起使用。
TCNForecaster： TCNForecaster： Temporal Convolutional Networks Forecaster. TODO：询问预测团队简要简介。
ElasticNet：弹性网是一种常用的正则化线性回归类型，结合了两种常用点数，特别是 L1 和 L2 惩罚函数。
GradientBoosting：将周学习者转移到强学习者的技术称为“提升”。 梯度提升算法过程适用于此执行理论。
DecisionTree：决策树是用于分类和回归任务的非参数监督式学习方法。 目标是创建一个模型，通过学习从数据特征推断的简单决策规则来预测目标变量的值。
KNN：K 最近的邻居（KNN）算法使用“特征相似性”来预测新数据点的值，进一步意味着新数据点将基于它与训练集中的点匹配程度分配一个值。
套索拉：套索模型适合与最小角度回归 a.k.a. Lars。 它是使用 L1 训练的线性模型，之前用作正则器。
：ZN：随机梯度下降是机器学习应用程序中经常使用的优化算法，用于查找与预测输出和实际输出之间最适合的模型参数。 这是一种无所事事但强大的技术。
RandomForest：随机林是监督式学习算法。 它构建的“林”是决策树的合奏，通常使用“装袋”方法训练。 装袋方法的一般思路是，学习模型的组合会增加整体结果。
ExtremeRandomTrees：极端树是一种组合机器学习算法，它结合了来自许多决策树的预测。 它与广泛使用的随机林算法相关。
LightGBM：LightGBM 是使用基于树的学习算法的渐变提升框架。
XGBoostRegressor： XGBoostRegressor： 极端梯度提升回归器是一种使用基础学习器合奏的监督机器学习模型。